线性代数MIT18.06(6)：对称矩阵，奇异值分解SVD

对称矩阵

• 对称矩阵的特征值是实数（越不对称越可能特征值不是实数），并且正交向量是相互正交的。也就是说正交向量构成的矩阵是正交矩阵。
• 在特征值构造对角矩阵这个文章我们提到了矩阵A可以这样分解成正交向量矩阵与特征值构成的对角矩阵的乘积$A=S\Lambda S^{-1}$。其中S是特征向量构成的矩阵，而对称矩阵的特征向量都是相互正交。因此S是一个正交矩阵所以$S^{-1}=S^T$，因此$A=S\Lambda S^T$.这个在数学叫做谱定理(spectral theorem)，谱(spectrum)指的是一个矩阵的特征值集合。来自光谱理论，光分解成几色光而矩阵也被分解成几个特征值。在力学上叫做主轴定理。
• $A=S\Lambda S^{-1}$这个是怎么来的？这个它是由特征值与特征向量之间的关系而得到。$Ax=\lambda x$，其中$\lambda$是特征值，x是特征向量。然后我们把所有特征x向量放在一个矩阵中这个矩阵叫做S。那么有AS=SΛ，其中S是特征向量矩阵，Λ是对角矩阵对角元素为特征值。然后由于A是对称矩阵所以S是正交矩阵，所以S可逆。于是我们得到了$A=S\Lambda S^{-1}$，然后由于正交矩阵有$S^{-1}=S^T$，因此$A=S\Lambda S^T$。这就是对称矩阵的奇异值分解。（奇异值和特征值是基本可以等同）
• $A^{T}A$与$A{A}^T$的特征值是一样的。

奇异值分解(SVD signal value decomposition）

在机器学习和图形压缩中应用非常广泛。它的动机是。是想把矩阵分解成正交矩阵×对角矩阵×正交矩阵这种形式，用公式表示就是$A=$。注意对称矩阵的奇异值分解就是$A=S\Lambda S^T$。其中S是特征向量矩阵，Λ是对角矩阵对角元素为特征值。
现在我们只知道对称矩阵的奇异值分解，那么其他非对称矩阵或者更本就不是方阵的矩阵怎么进行分解呢？答：转换为对称矩阵。
比如：矩阵A不是方阵，但是$A{A}^T$和$A^{T}A$是方阵并且它是一个对称矩阵。奇异值分解就是利用这两个性质进行分解的。
奇异值分解的初衷就是说，假设V是A的行向量的正交基，那么AV就是列向量空间的正交基。假设A的列向量空间的正交基可以表示为U那么根据下面这个图有：

因为U是正交基那么$U^{T}U=I$。于是我们消去了U。我们得到了$A^{T}A=V{\sum }^T\sum V^T$，由于$A^{T}A$是对称矩阵，那么它可以进行奇异值分解为正交矩阵×对角矩阵×正交矩阵的形式。我们只需要把${\sum }^T\sum$等于$A^{T}A$的特征值对角矩阵即可，V等于$A^{T}A$的特征向量矩阵。
同理可以用$A{A}^T$消除V，求得U。

SVD构造可逆矩阵

SVD求解AX=0方程原理

参考文献：
[1] http://www-users.math.umn.edu/~lerman/math5467/svd.pdf